机器学习|AI Insight：放弃幻想，搞 AI 必须过数学关( 三 ) 作者|子白从2012年“大数据”概念兴起

机器学习学者张志华教授曾经说过：“搞好机器学习，关键是数学，但你又不能把机器学习变成搞数学，那样就漫无边际了。 ”数学浩瀚如海，神灵通天，我们还是要敬畏数学之神，不要毫无目标、不计成本的扩大数学的钻研，而是要把握好度。对于绝大多数 AI 工程师来说，还是应该以机器学习为主导，对于其中涉及的数学知识形成理解，打牢基础，突出重点，适度拓宽，这就算过关了。以后根据主攻方向，随用随学，急用先学，这样就可以了。
数学过关以后，还得懂编程语言、系统架构、数据库、异构平台上的高性能计算，要成为一个优秀的 AI 工程师，这些都得通。吴恩达就说过，深度学习的前沿是高性能计算。因为数学的进展是可遇而不可求的，而软硬件的进步是线性的甚至指数的，是一趟快车。你想冲在前沿，得搭上这趟快车。如果你只是数学好，编程和工程化能力不行，所能做的事情就比较有限，需要一个强有力的工程团队来支持你。实际上，我就知道一些学院派的 AI 人士，他们的数学背景很好，但是编程玩得不溜，下面的学生又不给力，只能封闭在“数学—Matlab—论文” 这个三角里，对他们来说，编程成了一个障碍。
【机器学习|AI Insight：放弃幻想，搞 AI 必须过数学关】但是对于一个有一定经验的程序员而言，编程是优势。前不久，我向一个在国内 AI 界有点名气的新锐 AI 科学家了解情况，他们手上的深度学习项目使用 Python 和 C++ 语言开发，都是基于开源的深度学习框架，但自己的工程师也要做相当程度的调整和改进。那么他们对于工程师编程语言的掌握程度有多高的要求呢？Python 语言不需要自己设计 class ，就更不用提什么 decorator, metaclass, asyncio 了， C++ 只要求看懂框架代码当中核心的部分，只有很少的人需要去修改 C++ 代码。这里头真正有点挑战的，是要熟练掌握 Python 标准库和一些流行包中的 API 用法，快速完成数值计算、数据清洗、数据可视化等工作，这是需要时间去熟悉和掌握的。但有经验的人知道，这些可以边做边熟悉，不是什么硬约束。如果你在“城头变幻大王旗”的开发界混过几年，转行搞 AI ，你的编程能力绝对是下山猛虎，完全不必担心。你真正要过的，就是数学关。只要你过了数学这关，后面将数学理解、工具框架、数据资源和应用结合起来形成正向循环，就可以一步一步的攀爬 AI 的高峰了。